吴恩达机器学习课程整理

【吴恩达机器学习】学习笔记（过拟合&正则化）

过拟合问题（1）underfitting（欠拟合）如果我们的假设函数是一个一次函数，我们可能最后得到的是这样的一条直线，很容易看出它的拟合效果不是很好，这种情况我们称之为欠拟合。（2）justright(拟合的很好)（3）overfittiing（过拟合）如果我们给假设函数加入很多的高阶项，最后得到的曲线会想尽一切办法，把所有的数据点都拟合进去，这样的情况称过拟合这种情况下，看似所有的数据都被拟合
00111001·2022-11-30 07:57

吴恩达机器学习笔记 —— 8 正则化

http://www.cnblogs.com/xing901022/p/9338467.html本章讲述了机器学习中如何解决过拟合问题——正则化。讲述了正则化的作用以及在线性回归和逻辑回归是怎么参与到梯度优化中的。更多内容参考机器学习&深度学习在训练过程中，在训练集中有时效果比较差，我们叫做欠拟合；有时候效果过于完美，在测试集上效果很差，我们叫做过拟合。因为欠拟合和过拟合都不能良好的反应一个模型应
喜欢打酱油的老鸟·2022-11-30 07:26

【吴恩达机器学习笔记】第四章 正则化

【吴恩达机器学习笔记】第四章正则化正则化（Regularization）是一种可以解决过度拟合问题的技术1、过度拟合问题我们在拟合过程中可能会出现以下三种情况：（1）欠拟合也可以说这个算法具有高偏差，说明它并没有很好的拟合所有数据
毕君郁·2022-11-30 06:56

吴恩达机器学习笔记-过拟合

概念假设我们有一组数据集如下图所示：左边的图中，我们假设$y=\theta_0+\theta_1x$，与数据集进行比较发现此函数和数据的拟合度并不是很高，先然数据并不是呈现一条直线的形状，因此我们认为此函数并不能很好的预测后面的数据的真实情况，我们通常称这种情况为欠拟合（underfitting）；中间的图中，我们假设$y=\theta_0+\theta_1x+\theta_2x^2$，从曲线和数
weixin_33835690·2022-11-30 06:25

逻辑回归python正则化 选择参数_吴恩达机器学习笔记（三）——正则化（Regularization）...

1.过拟合的问题(Over-fitting)如果我们有非常多的特征，我们通过学习得到的假设可能能够非常好地适应训练集(代价函数可能几乎为0)，但是可能会不能推广到新的数据。(1)下图是一个回归问题的例子：第一个模型是一个线性模型，欠拟合，不能很好地适应我们的训练集第三个模型是一个四次方的模型，过于强调拟合原始数据，而丢失了算法的本质：预测新数据。我们可以看出，若给出一个新的值使之预测，它将表现的很
weixin_39526415·2022-11-30 06:25

机器学习笔记 - 过拟合和正则化

基本概念图片来自吴恩达机器学习视频欠拟合：模型不能很好的描述整个训练集数据。（左图）过拟合：模型将训练数据中的特例或是误差也进行了描述，导致模型泛化能力差，不能准确预测新样本。
weixin_30456039·2022-11-30 06:55

【吴恩达机器学习笔记】第七章 正则化

搜索微信公众号:‘AI-ming3526’或者’计算机视觉这件小事’获取更多人工智能、机器学习干货csdn：https://blog.csdn.net/qq_36645271github：https://github.com/aimi-cn/AILearners第七章正则化7.1过拟合问题7.1.1什么是过拟合让我们继续使用用线性回归来预测房价的例子来了解什么是过拟合(over-fitting)。
Jermiane·2022-11-30 06:52

吴恩达机器学习笔记（六）正则化

吴恩达机器学习笔记（六）正则化一、过拟合问题(Overfitting)二、代价函数(CostFunction)三、线性回归的正则化(RegularizedLinearRegression)四、Logistic
AngelaOrange·2022-11-30 06:22

吴恩达机器学习笔记week7——正则化 regularization 处理过拟合问题

吴恩达机器学习笔记week7——正则化regularization处理过拟合问题7-1.过拟合问题Theproblemofoverfitting7-2.代价函数Costfunction7-3.线性回归的正则化
Saulty·2022-11-30 06:47

【吴恩达机器学习笔记】六、过拟合及正则化

spm=1011.2415.3001.5343专栏定位：为学习吴恩达机器学习视频的同学提供的随堂笔记。专栏简介：在这个专栏，我将整理吴恩达机器学习视频的所有内容的笔记，方便大家参考学习。
Pandaconda·2022-11-30 06:44

吴恩达机器学习课后作业——偏差和方差

诊断偏差和方差一、作业内容在练习的前半部分，您将实现正则化线性回归，利用水库水位的变化来预测从大坝流出的水量。在下半部分中，您将对调试学习算法进行一些诊断，并检查偏差和偏差的影响。本次的数据是以.mat格式储存的，x表示水位的变化，y表示大坝的出水量。数据集共分为三部分：训练集（X,y）、交叉验证集（Xval,yval）和测试集（Xtest,ytest）。数据集下载位置(包含吴恩达机器学课后作业全
荭凯·2022-11-30 02:47

吴恩达机器学习课后作业——神经网络

一、神经网络前向传播一、作业内容在上一章的练习中，实现了多类逻辑回归来识别手写数字。但是逻辑回归只是一个线性分类器，不能形成更复杂的假设。神经网络将能够表示形成非线性假设的复杂模型。我们将使用已经训练过的神经网络的参数，实现使用前馈传播算法来对我们的权值进行预测。在这部分练习中，我们将使用与前面多类逻辑回归来识别手写数字相同的训练集实现一个神经网络来识别手写数字。数据集下载位置(包含吴恩达机器学课
荭凯·2022-11-30 02:17

python训练模型函数参数_吴恩达机器学习练习2——python代码详解

本文旨在帮助理解吴恩达机器学习课程中关于逻辑回归的练习。1.逻辑回归原题为构建一个逻辑回归模型来预测某个学生是否被大学录取。录取的评定标准是两次测试的得分。
weixin_39544101·2022-11-30 02:16

吴恩达机器学习课后习题疑问

假设m=4个学生上了一节课，有期中考试和期末考试。你已经收集了他们在两次考试中的分数数据集，如下所示：期中得分(期中得分)^2期末得分89792196725184749488368769476178你想用多项式回归来预测一个学生的期中考试成绩。具体地说，假设你想拟合一个的模型，其中x1是期中得分，x2是（期中得分）^2。此外，你计划同时使用特征缩放（除以特征的“最大值-最小值”或范围）和均值归一化
幸运的小菜鸟·2022-11-29 14:51

西瓜书+实战+吴恩达机器学习（十八）降维（主成分分析 PCA）

文章目录0.前言1.主成分分析PCA如果这篇文章对你有一点小小的帮助，请给个关注，点个赞喔，我会非常开心的~0.前言维数灾难：在高维情形下出现的数据样本稀疏、距离计算困难等问题。缓解维数灾难的方法是降维。降维的好处：舍弃部分信息后能使得样本的采样密度增大当数据受到噪声影响时，舍弃的无关信息往往与噪声有关1.主成分分析PCA主成分分析（PrincipalComponentAnalysis）是常用的降
I can丶·2022-11-29 13:44

吴恩达机器学习课程笔记+代码实现(25)16.推荐系统(Recommender Systems)

16.推荐系统(RecommenderSystems)文章目录16.推荐系统(RecommenderSystems)16.1问题形式化16.2基于内容的推荐系统16.3协同过滤16.4协同过滤算法16.5向量化：低秩矩阵分解16.6推行工作上的细节：均值归一化本章编程作业及代码实现部分见:16.1问题形式化我们从一个例子开始定义推荐系统的问题。假使我们是一个电影供应商，我们有5部电影和4个用户，我
geekxiaoz·2022-11-29 09:45

吴恩达机器学习系列课程笔记——第十六章：推荐系统(Recommender Systems)

16.1问题规划https://www.bilibili.com/video/BV164411b7dx?p=96在接下来的视频中，我想讲一下推荐系统。我想讲推荐系统有两个原因：第一、仅仅因为它是机器学习中的一个重要的应用。在过去几年，硅谷不同的技术公司，吴恩达老师常和工作在这儿致力于机器学习应用的人们聊天，问他们觉得最重要的机器学习的应用是什么，或者他们最想改进的机器学习应用有哪些。我最常听到的答
Lishier99·2022-11-29 09:40

吴恩达机器学习笔记week16——推荐系统 Recommender Systems

吴恩达机器学习笔记week16——推荐系统RecommenderSystems16-1.问题规划Problemformulation——机器学习自动学习选取一系列适合的特征16-2.基于内容的推荐算法Content-basedrecommendations16
Saulty·2022-11-29 08:30

吴恩达机器学习ex3:多类分类

吴恩达机器学习作业三：多类分类知识点回顾：importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromscipy.ioimportloadmat1.1Dataset
wssssang·2022-11-29 08:33

吴恩达机器学习ex3 python实现

多分类这个部分需要你实现手写数字（0到9）的识别。你需要扩展之前的逻辑回归，并将其应用于一对多的分类。数据集这是一个MATLAB格式的.m文件，其中包含5000个20*20像素的手写字体图像，以及他对应的数字。另外，数字0的y值，对应的是10用Python读取我们需要使用SciPyimportnumpyasnpimportpandasaspdimportmatplotlib.pyplotasplt
枸杞仙人·2022-11-29 08:03

吴恩达机器学习ex3:逻辑回归解决多分类

用逻辑回归解决多分类多分类实际上就是二分类的拓展,需要训练多个分类器,最终选取分类出来概率最高的那个分类器就是预测结果。用梯度下降算法优化最小函数求解多分类importscipy.ioassioimportnumpyasnpimportmatplotlib.pyplotaspltdefload_data():data=sio.loadmat("ex3data1.mat")X=data['X']#特
SumFunction·2022-11-29 08:03

吴恩达机器学习ex3多类别分类

数据集ex3data1.mat包含了5000条手写数字的训练样本，每个训练样本是20*20的像素灰度的矩阵。每一个像素值用浮点数来表示对应位置的灰度值，并被展开成400维的向量。即矩阵X中每一行代表一个训练样本。数据集ex3data1.mat中还包含了向量y，包含5000个样本的标签。importrandomimportmatplotlib.pyplotaspltimportnumpyasnpim
Ryan518000·2022-11-29 08:27

【吴恩达机器学习】Week4 编程作业ex3——多分类任务和神经网络

Multi-classClassification1.数据预处理和可视化dispalyData.mfunction[h,display_array]=displayData(X,example_width)%DISPLAYDATADisplay2Ddatainanicegrid%[h,display_array]=DISPLAYDATA(X,example_width)displays2Ddata
辰阳星宇·2022-11-29 08:51

吴恩达机器学习ex3

第一部分多分类问题题目介绍：使用逻辑回归识别0到9的手写数字数据集：5000个手写数字的训练样本，每一个训练样本都是20像素×20像素的灰度图像的数字，每个像素由一个表示该位置灰度强度的点编号表示，这个20x20的像素网格被“展开”成一个400维的向量。每一个训练样本都是矩阵X的一行数据，这就得到了一个5000×400矩阵X，其中每一行都是一个手写数字图像的训练示例。训练集的第二部分是一个5000
叶锦小兴·2022-11-29 08:50

吴恩达机器学习ex3-neural network python版

机器学习练习3-多类分类对于此练习，我们将使用逻辑回归来识别手写数字（0到9）。我们将扩展我们在练习2中写的逻辑回归的实现，并将其应用于一对一的分类。让我们开始加载数据集。它是在MATLAB的本机格式，所以要加载它在Python，我们需要使用一个SciPy工具。importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromscipy.
nakyoooooo·2022-11-29 08:20

吴恩达机器学习系列课程作业ex3 matlab实现

目录Matlab实现：lrCostFunction.moneVsAll.mpredictOneVsAll.mpredict.mMatlab实现：lrCostFunction.mfunction[J,grad]=lrCostFunction(theta,X,y,lambda)m=length(y);%numberoftrainingexamplestmp=theta;tmp(1)=0;J=-(y'*
d7901699·2022-11-29 08:47

第03周:吴恩达机器学习课后编程题ex3神经网络——Python

1Multi-classClassifification多类分类在本练习中，使用逻辑回归和神经网络识别手写数字（从0到9）。在练习的第一部分，将扩展之前的逻辑回归实现并将其应用到one-vs-all分类。1.1Dataset数据集ex3data1.mat中为您提供了一个数据集，其中包含5000个手写数字的训练示例。2.mat格式意味着数据具有以原生Octave/MATLAB矩阵格式保存，而不是文本
MANDYBOOM·2022-11-29 08:45

吴恩达机器学习ex3任务1代码

importnumpyasnpimportmatplotlib.pyplotaspltimportscipy.ioassiofromscipy.optimizeimportminimize#注意这一行的格式'''函数部分''''''图像化数据'''defplot_100_image(X):sample_index=np.random.choice(len(X),100)#从样本集中随机选取100个
Maturisa·2022-11-29 08:43

吴恩达机器学习ex3任务2代码

importnumpyasnpimportmatplotlib.pyplotaspltfromscipy.ioimportloadmatfromsklearn.metricsimportclassification_report'''函数部分''''''激活函数'''defsigmoid(z):return1/(1+np.exp(-z))'''计算部分''''''数据导入X,y'''data=lo
Maturisa·2022-11-29 08:12

吴恩达机器学习--单变量线性回归【学习笔记】

说明:本文是本人用于记录学习吴恩达机器学习的学习笔记，如有不对之处请多多包涵.作者：爱做梦的90后一、模型的描述:下面的这张图片是对于课程中一些符号的基本的定义:吴老师列举的最简单的单变量线性回归方程:
嵌入式小庄老师·2022-11-28 20:28

【吴恩达机器学习笔记详解】第二章 线性回归的过程

2.1模型描述本章将以线性回归为例子，介绍整个算法的过程，以及算法中过程涉及的计算参数等。这是一个线性回归的例子，当你想要预测一个未知的房价时，要根据给出的所有数据，去寻找一条线来拟合已给的数据，再通过这条线去预测未知的房价。这里描述的是对数据集的介绍，对于监督学习来说，会给定一些数据集如上图所示，其中m代表的是数据的数量，这图中也就是多少列。x代表输入变量，也就是数据集的特征，图中是指房子的大小
爱冒险的梦啊·2022-11-28 20:56

吴恩达机器学习系列课程笔记——第四章：多变量线性回归(Linear Regression with Multiple Variables)

4.1多维特征https://www.bilibili.com/video/BV164411b7dx?p=18目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数、楼层、楼屋年限等，构成一个含有多个变量的模型，模型中的特征为(x1,x2,…,xn)。增添更多特征后，我们引入一系列新的注释：n代表特征的数量x(i)代表第i个训练实例，是特征矩阵中的第i行，是一个*
Lishier99·2022-11-28 20:56

吴恩达机器学习笔记（二）——单变量线性回归

1.模型的定义下面我们采用波特兰的一个数据集进行举例，数据展示的是房屋的大小以及对应价格之间的关系，数据如下：对于监督学习，我们通常会有一个数据集，又称为训练集。下面对于一些符号进行定义：m表示训练样本的数量x表示输入变量或者说是特征y表示要预测的目标变量(x,y)表示一个训练样本(x^(i),y^(i))表示特定的第i个训练样本并且对于监督学习的具体流程我们可以从下图清晰的看出：其中h通常称为假
XHHP·2022-11-28 20:26

吴恩达机器学习笔记 —— 5 多变量线性回归

http://www.cnblogs.com/xing901022/p/9321045.html本篇主要讲的是多变量的线性回归，从表达式的构建到矩阵的表示方法，再到损失函数和梯度下降求解方法，再到特征的缩放标准化，梯度下降的自动收敛和学习率调整，特征的常用构造方法、多维融合、高次项、平方根，最后基于正规方程的求解。更多内容参考机器学习&深度学习在平时遇到的一些问题，更多的是多特征的多变量的表示方法
喜欢打酱油的老鸟·2022-11-28 20:26

【吴恩达机器学习笔记详解】第四章 多变量的线性回归（多元线性回归）

4.1多变量的假设函数我们之前介绍的线性回归是一个变量（特征）对预测价格的影响，像这个例子中是房子的大小对价格的影响下面会介绍更为复杂的情况就是多个变量（特征）对于房子价格的影响在这个多变量的图中，下面解释了每个符号代表的含义，第二行这个符号代表着第二个的数据的所有特征，也就是粉红色这个框起来的部分，第三行代表的是第i个样本的第j个特征。对于多个特征我们的假设函数也要相对的做出改变，下面是对于多变
爱冒险的梦啊·2022-11-28 20:26

吴恩达机器学习笔记 1单变量线性回归

机器学习（小白通俗理解)机器学习包括监督学习和无监督学习监督学习首先，监督学习，我们所给的数据集由正确答案组成，计算机根据正确数据集对未知样本进行结果预测无监督学习无监督学习，所给数据集并没有正确答案，计算机会自己给数据进行分析分类，将数据分成不同的簇，因而常涉及聚类算法实例：预测房价，通过已有数据集（包含有该市的住房价格），我们根据不同的房屋尺寸的价格来建造数据模型，预测得到所需要的大概价格，这
smile~。·2022-11-28 20:25

【吴恩达机器学习笔记】多变量线性回归

目录前言一、多维特征二、多变量梯度下降1.代价函数2.批量梯度下降算法3.代码演示（未验证）三、特征缩放（帮助梯度下降算法更快收敛）1.为什么要进行特征缩放2.特征缩放的几种方法3.进行特征缩放的注意事项总结前言目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，引出多变量线性回归问题。一、多维特征增添更多特征后，我们引入一系
关关在干嘛·2022-11-28 20:55

吴恩达机器学习课程笔记－2.单变量线性回归

文章目录2.单变量线性回归（LinearRegressionwithOneVariable）2.1模型表示（ModelRepresentation）2.2代价函数（CostFunction）2.3代价函数的直观理解I（CostFunctionIntuitionI）2.4代价函数的直观理解II（CostFunctionIntuitionII）2.5梯度下降（GradientDescent）2.6梯度
st4yfoolish·2022-11-28 20:55

《吴恩达机器学习》4 多变量线性回归

多变量线性回归前言一、多变量线性回归二、多元梯度下降法1、特征缩放（featurescaling）2、学习率（Learningrate）3、特征和多项式回归三、线性回归的正规方程解法与对比1、正规方程解法2、梯度下降法和正规方程的对比总结前言前面讲的线性回归（linearregression）是基于单变量的，例如预测房价的例子中，特征值只有房屋面积这一个变量，我们知道可以应用梯度下降法求解。那么多
JockerWong·2022-11-28 20:54

吴恩达机器学习ex1-matlab版学习总结笔记-(2)多变量线性回归

作业任务项一：多变量线性回归预测代码如下：data=load('E:\研究生\机器学习\吴恩达机器学习python作业代码\code\ex1-linearregression\ex1data2.txt'
Tinner_000·2022-11-28 20:24

吴恩达机器学习笔记之多变量线性回归

多变量线性回归从之前的单变量线性回归现在扩展到多变量线性回归，比如通过房子的多个属性来预测它的售价。用n来表示变量的个数，m还是表示训练样本的数量；表示的是输入的是第i个样本，表示的是第i个样本的第j个特征的值。支持多变量的假设h表示为：，也叫做多元线性回归（multivariatelinearregression）为了更方便的表示，使用矩阵乘法可以表示为：为了计算的方便，=1，这样是为了让x和拥
iblue_coffee·2022-11-28 20:54

吴恩达机器学习作业（多变量线性回归）---maxchet

题目描述：在本部分的练习中，您将使用多个变量实现线性回归，以预测食品卡车的利润。假设你是一家餐馆的首席执行官，正在考虑不同的城市开设一个新的分店。该连锁店已经在各个城市拥有卡车，而且你有来自城市的利润和人口数据。您希望使用这些数据来帮助您选择将哪个城市扩展到下一个城市。房屋价格数据集，其中2个变量（房子大小，卧室数量）和目标（房子价格）第一步导入相应的库importnumpyasnp#本次我依旧导
maxchet·2022-11-28 20:54

【吴恩达机器学习笔记】五、逻辑回归

spm=1011.2415.3001.5343专栏定位：为学习吴恩达机器学习视频的同学提供的随堂笔记。专栏简介：在这个专栏，我将整理吴恩达机器学习视频的所有内容的笔记，方便大家参考学习。
Pandaconda·2022-11-28 20:23

吴恩达机器学习python作业之单变量线性回归

第一个方法读取数据用的是pandas，第二个方法读数据用的是numpy。第一种方法是梯度下降法，第二种方法是正规方程法。跟着佬们的思路写写改改，如果有错误请私信或评论哦。数据集理解：ex1data1.txt的数据集是两列，第一列是population（自变量x），第二列是profit（因变量y），利用单变量线性回归进行拟合。方法一：梯度下降法参考链接：黄海广博士的github作业链接https:/
abcd1233463457347·2022-11-28 20:51

【吴恩达机器学习笔记】四、多变量线性回归

spm=1011.2415.3001.5343专栏定位：为学习吴恩达机器学习视频的同学提供的随堂笔记。专栏简介：在这个专栏，我将整理吴恩达机器学习视频的所有内容的笔记，方便大家参考学习。
Pandaconda·2022-11-28 20:21

吴恩达机器学习笔记（十四）——异常检测

1.问题动机异常检测问题的具体应用其实在我们的生活中很常见，例如我们的飞机制造工厂新生产了一批飞机，我们需要检测这批飞机中是否存在不合格的飞机，这时我们就会应用异常检测。我们通常的做法是构建一个模型，计算p(x)，也就是对x的分布概率建模。我们设定一个阈值ε，当p(xtest)=ε时就判定为合格。飞机异常检测的例子如下图所示：2.高斯分布（正态分布）假设x∈实数，且x的均值为u，方差为σ2，则用数
XHHP·2022-11-28 16:42

「吴恩达机器学习2022」lab_utils_uni加载报错问题

主要内容：1-代码报错语句2-处理办法3-查看Python根目录方法4-Github地址一、代码报错：在学习吴恩达2022年机器学习课程Week1RegressionModel时，计算costfunction，运行下方代码报错。fromlab_utils_uniimportplt_house_x,plt_contour_wgrad,plt_divergence,plt_gradientslab_u
踏下心来学点东西·2022-11-27 17:27

吴恩达机器学习第一讲之‘线性回归’笔记

目录1机器学习（分类简介）2线性回归（linearregression）2.1如何根据样本数据估计模型参数？2.2方程求解方法2.2.1①梯度下降2.2.2②正规方程2.2.3③牛顿法2.3线性回归总结：1机器学习（分类简介）基本原始准备：BigO符号；队列queues，堆栈stacks，二叉树binarytrees；概率（randomvariable，theexpectedvalueofaran
鹅鹅e·2022-11-27 14:52

2022吴恩达机器学习：Advanced Learning Algorithm4.1/4.2

4.1在一个单层中的前向传播以烤咖啡为例主要理解代码到底做了什么，即各层的激活值是如何计算的4.2前向传播的一般实现dense函数作用：输入前一层的激活值，给定当前层的参数，返回本层的激活值作为下一层的输入四个参数：（1）初始输入值：a_in（2）神经元的参数：W,b（3）激活函数：gsequential函数将几个dense顺序串在一起，在神经网络中实现前向传播
m0_54237635·2022-11-27 10:16

吴恩达深度学习：从logistic回归到深层神经网络

注意：这篇文章需要有logistic回归基础，可以参考我的这一篇文章吴恩达机器学习：从单变量线性回归到Logistic回归1.神经网络概念首先我们要了解神经网络的形式，之所以被叫做神经网络，是因为它的工作原理和人的大脑神经相似
若能绽放光丶·2022-11-27 09:56
上一页 8 9 10 11 12 13 14 15 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他